Statistik I für Betriebswirte Vorlesung 13
|
|
- Clara Kohl
- vor 6 Jahren
- Abrufe
Transkript
1 Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
2 d) Klumpenstichproben Bisher wurde die Grundgesamtheit in Schichten unterteilt, die im Allgemeinen verschieden in Erwartungswerten und Varianzen sind. Jetzt betrachten wir eine Einteilung der Grundgesamtheit in M Klumpen, die jede für sich die Grundgesamtheit schon recht gut repräsentieren. Beispiel 3.2: Alter der Personen in Vierpersonenhaushalten Nr. Vater Mutter 1. Kind 2. Kind Klumpen Klumpen Klumpen Klumpen Schicht 1 Schicht 2 Weitere Beispiele für Klumpen sind: Bevölkerung in Kreisen für Bevölkerung in BRD, Studenten einer Uni für Studenten in BRD, usw. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
3 Auswertungen im Beispiel Gleichgültig, ob Schichten oder Klumpen: beides sind Zerlegungen der Grundgesamtheit, für die die Zerlegungsformeln für Erwartungswerte und Varianzen gelten, d.h. µ = M p i µ i ; σ 2 = M M p i σi 2 + p i (µ i µ) 2. i Vater Mutter 1. Kind 2. Kind µ i σi µ I = µ II = µ = σi 2 = 7.7 σii 2 = 17.1 σ2 = Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
4 Zufällige Auswahl der Klumpen Vorhanden seien M Klumpen. N i sei die Anzahl von Merkmalsträgern im Klumpen i, M N = sei der Umfang der kompletten Grundgesamtheit. N i Bei einer Klumpenstichprobe sollen zufällig m der M Klumpen so ausgewählt werden, dass die Wahrscheinlichkeit, dass Klumpen i ausgewählt wird gleich p i = N i (i = 1,..., M) ist. N Dann erfolgt eine Totalerhebung in den ausgewählten m Klumpen, d.h. die exakte Ermittlung des dortigen Mittelwertes µ i. Damit liegt auch hier wieder eine eingeschränkte Zufallsauswahl vor. Der Stichprobenumfang ist hier im Allgemeinen zufällig. Die Auswahl der m Klumpen kann zum Beispiel mit Hilfe von Zufallszahlen (ZZ) erfolgen. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
5 Schätzung von µ bei einer Klumpenstichprobe I Wir betrachten ein Untersuchungsmerkmal X und identifizeren dieses wieder mit einer Zufallsgröße (der Wert der Zufallsgröße entspricht dem Merkmalswert eines zufällig ausgewählten Merkmalsträgers). Zu schätzen ist der Erwartungswert EX = µ. Innerhalb der m ausgewählten Klumpen erfolgt eine Totalerhebung der Erwartungswert µ i = 1 N i x ij in einem ausgewählten N i Klumpen mit Index i j=1 kann exakt bestimmt werden. Es seien i 1,..., i m die Indizes der m ausgewählten Klumpen. Jeder ausgewählte Index i k kann als Realisierung einer Zufallsgröße I k betrachtet werden, die die Werte i = 1,..., M jeweils mit den Wahrscheinlichkeiten p i annimmt. Die Zufallsgrößen I k werden als unabhängig und identisch verteilt angenommen (gilt eigentlich nur bei Ziehen mit Zurücklegen). Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
6 Schätzung von µ bei einer Klumpenstichprobe II Der Mittelwert µ = EX wird geschätzt durch ˆµ = 1 m µ Ik. m k=1 Diese Schätzung ist unverzerrt (erwartungstreu), denn es gilt Eˆµ = 1 m m Eµ Ik = 1 m k=1 Für die Varianz der Schätzung gilt Varˆµ = 1 m m k=1 M p i µ i = 1 m M p i (µ i µ) 2. m µ = µ. k=1 Die Formel ist korrekt für eine Klumpenziehung mit Zurücklegen, eine Auswahl ohne Zurücklegen führt zu einer noch geringeren Varianz. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
7 Statistische Vorteile von Klumpenstichproben Klumpenstichproben sind häufig kostengünstiger als reine Zufallsstichproben vom gleichen Umfang (Reisekosten o.ä.). Bei statistischen Untersuchungen muss man berücksichtigen, dass eine Klumpenstichprobe im Allgemeinen einen zufälligen m Stichprobenumfang besitzt: n = N Ik. Daher beschränken wir uns beim Vergleich mit dem Fall einer reinen k=1 Zufallsauswahl auf den Spezialfall N i = N M = const, d.h. p i = 1 M, i = 1,..., M und einen Stichprobenumfang n = m N M. Für die reine Zufallsauswahl gilt wegen p i = 1 M ( VarX = σ2 n = Mσ2 Nm = 1 M ) M σi 2 + (µ i µ) 2. Nm Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
8 Vergleich Klumpenstichprobe und reine Zufallsauswahl I Für die Klumpenstichprobe (beim Ziehen mit Zurücklegen) gilt Varˆµ = 1 Mm M (µ i µ) 2. Zum Vergleich: exakte Formel beim Ziehen ohne Zurücklegen Varˆµ = M m M 1 1 Mm M (µ i µ) 2. Absoluter Klumpeneffekt (beim Ziehen mit Zurücklegen) VarX Varˆµ = 1 M ( 1 σi 2 + mn mn 1 ) M (µ i µ) 2 mm = 1 mn [ M ( ) M N σi 2 M 1 (µ i µ) 2 ]. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
9 Vergleich Klumpenstichprobe und reine Zufallsauswahl II Klumpenstichproben sind statistisch vorteilhafter als reine Zufallsstichproben, falls ( ) M N M 1 (µ i µ) 2 < M σi 2. Die Bedingung für einen positiven Klumpeneffekt ist auf jeden Fall erfüllt, falls alle Klumpenmittelwerte µ i gleich sind. Der Klumpeneffekt ist umso größer, je weniger die Mittelwerte µ i schwanken und je größer die Varianz innerhalb der Klumpen ist. Im Beispiel vom Anfang gelten M = 4, m = 1, N = 16 und VarX = Varˆµ = 1 2 = ; Varˆµ = (µ i µ) 2 = 2.41 ; ( σ 2 I + σii 2 ) = (geschichtete Stichprobe zum Vgl.) Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
10 3.2 Parameterschätzungen: Punktschätzungen Für alle theoretischen Aussagen wird im Weiteren eine mathematische Stichprobe X 1,..., X n vorausgesetzt. Eine der Grundaufgaben der schließenden Statistik besteht in der Schätzung unbekannter Verteilungsparameter, z.b. µ bzw. σ 2 bei einer Normalverteilung oder p bei einer Binomialverteilung. Im Weiteren werden ϑ als Bezeichnung des unbekannten Parameters und ˆϑ als Schätzung für den Parameter gewählt. Ein Punktschätzer ist eine Stichprobenfunktion: ˆϑ(X 1,.., X n ). Für die beobachtete Stichprobe kann man mit Hilfe dieser Stichprobenfunktion einen konreten Zahlenwert ˆϑ(x 1,.., x n ) die Punktschätzung (den geschätzten Wert für ϑ) errechnen. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
11 3.2.1 Punktschätzungen für allgemeine Parameter a) Schätzung des Erwartungswertes Der arithmetische Mittelwert X ist ein Punktschätzer für den Erwartungswert µ: ˆµ(X 1,..., X n ) = X = 1 n n X i. Der arithmetische Mittelwert X ist ein erwartungstreuer Schätzer für den Erwartungswert µ: Die Varianz des Schätzers ist: E(ˆµ(X 1,..., X n )) = EX = µ. Var(ˆµ(X 1,..., X n )) = VarX = σ2 n. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
12 Eigenschaften des arithmetischen Mittelwertes Damit liefert der arithmetische Mittelwert X eine gute Schätzvorschrift für µ, da der Erwartungswert von X gleich µ ist (sogenannte Erwartungstreue des Schätzers X ) und die Varianz von X mit wachsendem Stichprobenunfang n immer kleiner wird und für n gegen Null konvergiert. Man kann sogar zeigen, dass unter obigen Bedingungen ( ) 1 n P lim X i = µ = 1 n n gilt ( Gesetz der großen Zahlen, Konsistenz des Schätzers X ). Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
13 Wünschenswerte Eigenschaften von Punktschätzungen i) Erwartungstreue Die Schätzung ˆϑ heißt erwartungstreu oder unverzerrt, wenn der Erwartungswert des Schätzers gleich dem zu schätzenden Wert ist, d.h. wenn man im Mittel den Parameter richtig schätzt, E ˆϑ = ϑ. Gilt jedoch E ˆϑ ϑ, dann heißt der Schätzer ˆϑ verzerrt und die Differenz E ˆϑ ϑ heißt systematischer Fehler, Verzerrung oder Bias. Wird die Forderung E ˆϑ = ϑ dahingehend abgeschwächt, dass man nur fordert lim E ˆϑ = ϑ, n kommt man zu dem Begriff der asymptotisch erwartungstreuen Schätzung. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
14 Konsistenz einer Punktschätzung ii) Konsistenz Die Schätzung ˆϑ heißt konsistent, wenn sie mit wachsendem Stichprobenumfang n dem zu schätzenden Parameter immer näher kommt. Insbesondere heißt sie schwach konsistent, wenn für beliebige ε > 0 gilt lim P( ˆϑ ϑ ε) = 1. n Hinreichend dafür sind zum Beispiel die Bedingungen ˆϑ ist (asymptotisch) erwartungstreu und lim Var ˆϑ = 0. n Beispiel: Wegen VarX = σ2 ist für eine Zufallsgröße mit n endlicher Varianz σ 2 das Stichprobenmittel X ein schwach konsistenter Schätzer für den Erwartungswert EX. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
15 Optimalität iii) Optimalität Eine weitere wünschenswerte Eigenschaft einer Schätzung ist ihre Optimalität. Dies besagt, dass die Schätzung in einer Menge von möglichen Schätzungen auf bestimmte Art und Weise optimal ist, zum Beispiel die geringste Varianz besitzt. Beispiel: Für eine Zufallsgröße X mit endlicher Varianz ist das Stichprobenmittel X derjenige lineare erwartungstreue Schätzer für den Erwartungswert EX, der die kleinste Varianz besitzt ( BLUE, best linear unbiased estimator ). Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
16 Schätzung einer (unbekannten) Wahrscheinlichkeit p In n unabhängigen Versuchen tritt das Ereignis A ein oder nicht. Die Eitrittswahrscheinlichkeit ist P(A) = p. Damit ist X i { 1 : falls A im i-ten Versuch eintritt X i := 0 : sonst Bernoulli-verteilt mit Parameter p = P(A) = P(X i = 1). Der Erwartungswert ist: µ = EX i = p. H(A) = n X i - absolute Häufigkeit des Ereignisses A. i = 1,..., n, Die relative Häufigkeit des Ereignisse A ist eine Punktschätzung für die (unbekannte) Wahrscheinlichkeit p = P(A): ˆp(X 1,..., X n ) = ˆµ(X 1,..., X n ) = 1 n X i = H(A). n n Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
17 b) Schätzung der Varianz Die empirische Varianz S 2 ist ein Punktschätzer für die σ 2 : ˆσ 2 (X 1,..., X n ) = S 2 = 1 n 1 n (X i X ) 2. Die empirische Varianz S 2 ist ein erwartungstreuer Schätzer für die Varianz σ 2 : Die Schätzfunktion 1 n ES 2 = σ 2. n ( Xn X ) 2 ist im Gegensatz dazu nur eine verzerrte Schätzung der Varianz. Sie ist jedoch eine asymptotisch erwartungstreue Schätzung der Varianz σ 2. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
18 c) Schätzung des Medians Ausgehend von der geordneten mathematischen Stichprobe X (1) X (2)... X (n) kann der Median geschätzt werden. Der Stichprobenmedian ist eine Punktschätzung für den Median Median(X ) = X X n+1 2 ), falls n ungerade, = (, falls n gerade. 1 2 X ( n 2) + X ( n 2 +1) ) Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
19 3.2.2 Schätzungen Parameter spezieller Verteilungen a) Normalverteilung Beispiel: Es sei X i iid. mit X i N(µ, σ 2 ) i = 1,..., n. X ein Schätzer für µ, d.h. ˆµ = X mit Schätzwert ˆµ(x 1,..., x n ) = x = 1 n n x i ; die Stichprobenvarianz S 2 ein Schätzer für σ 2, d.h. ˆσ2 = S 2 mit Schätzwert ˆσ 2 (x 1,..., x n ) = s 2 = 1 n 1 n (x i x) 2. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
20 b) weitere Verteilungen Es sei X i iid. i = 1,..., n mit: Exponentialverteilung: X i Exp(λ) ˆλ = 1 x. Stetige Gleichverteilung: X i U[0, a] Bournoulliverteilung: â = n + 1 n n max x i = n + 1 x n (n). X i B(p) ˆp = x = Poissonverteilung: X i Poi(λ) n ˆλ = x. x i n. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
21 3.2.3 Weitere Schätzungen a) Schätzung der Quantile Ausgehend von der geordneten mathematischen Stichprobe X (1) X (2)... X (n) kann das p-quantil geschätzt werden. Das Stichprobenquantil der Ordnung p (0 < p < 1) X p = X (k), falls np nicht ganzzahlig: ( ) X(k) + X (k+1), k ist die auf np folgende ganze Zahl, falls np ganzzahlig: k = np. 1 2 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
22 b) Die empirische Verteilungsfunktion Für eine konkrete Stichprobe x 1,..., x n empirische Verteilungsfunktion durch kann man die zugehörige definieren. ˆF n (x) = Anzahl der Stichprobenwerte < x, x R, n Dann kann man unter der klassischen Voraussetzung der Stichprobenentnahme zeigen, dass mit Wahrscheinlichkeit 1 die Folge dieser empirischen Verteilungsfunktionen gegen die Verteilungsfunktion der Merkmalszufallsgröße X konvergiert. Somit kann jede mögliche Wahrscheinlichkeitsverteilung eines beobachteten Merkmals mit gewünschter Genauigkeit erkannt werden, wenn man eine genügend große Stichprobe mit unabhängigen und identisch verteilten Stichprobenwerten zieht. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
23 Beispiel für empirische Verteilungsfunktion X i N(10, 4) i = 1,... n, F Xi - VF und ˆF n - emp. VF. Empirische Verteilungsfunktion n= Dr. Andreas Wünsche Statistik I für BetriebswirtexVorlesung 13 Version: 7. Juli
24 Beispiel für empirische Verteilungsfunktion II X i N(10, 4) i = 1,... n, F Xi - VF und ˆF n - emp. VF. Empirische Verteilungsfunktion n= Dr. Andreas Wünsche Statistik I für BetriebswirtexVorlesung 13 Version: 7. Juli
25 Beispiel für empirische Verteilungsfunktion III X i N(10, 4) i = 1,... n, F Xi - VF und ˆF n - emp. VF. Empirische Verteilungsfunktion n= Dr. Andreas Wünsche Statistik I für BetriebswirtexVorlesung 13 Version: 7. Juli
26 c) Schätzung der Dichtefunktion Eine einfache Schätzung der Dichtefunktion erhält man durch ein Histogramm. Dabei müssen die Höhen der Rechtecke so normiert werden, dass der Gesamtflächeninhalt unter allen Rechtecken gleich 1 ist. Sind ist von der Stichprobe X 1,..., X n die Verteilung bis auf die Parameter bekannt und schätzt man diese aus der Stichprobe, so kann man damit die Dichtefunktion bestimmen. Man spricht dabei auch von einer parametrischen Dichteschätzung. Eine nichtparametrische Dichteschätzung erhält man z.b. durch Kerndichteschätzer. Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
27 Dichtschätzung durch Histogramm X i N(10, 4) i = 1, Dichteschätzung durch Histogramm 0.30 emp. Dichte theor. Dichte Dichte x Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
28 Parametrische Dichtschätzung X i N(10, 4) i = 1, , ˆµ = x = und ˆσ 2 = s 2 = Parametrische Dichteschätzung 0.25 emp. Dichte theor. Dichte y x Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
29 Nichtparametrische Dichtschätzung X i N(10, 4) i = 1, Nichtparametrische Dichteschätzung 0.25 emp. Dichte theor. Dichte y x1 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
Statistik I für Betriebswirte Vorlesung 11
Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
Mehr5. Statistische Schätztheorie
5. Statistische Schätztheorie Problem: Sei X eine Zufallsvariable (oder X ein Zufallsvektor), die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X (oder
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrTabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrStatistik II. Sommersemester PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie. Universität Augsburg
Statistik II Sommersemester 2005 PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie Klausur und Unterlagen Klausur: Spielregeln : Wie Statistik I Nachholklausur im WS 2005
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
Mehr17 Nichtparametrische Schätzer
17 Nichtparametrische Schätzer In diesem Paragraphen werden kurz einige Möglichkeiten skizziert, auch in nichtparametrischen Modellenzu Schätzern fürinteressierende statistische Größenzugelangen. a Empirische
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrVorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing.
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Vorlesungsinhalte Wiederholung:
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrKeine Panik vor Statistik!
Markus Oestreich I Oliver Romberg Keine Panik vor Statistik! Erfolg und Spaß im Horrorfach nichttechnischer Studiengänge STUDIUM 11 VIEWEG+ TEUBNER Inhaltsverzeichnis 1 Erstmal locker bleiben: Es längt
MehrGrundproblem der Inferenzstatistik
Grundproblem der Inferenzstatistik Grundgesamtheit Stichprobenziehung Zufalls- Stichprobe... "wahre", unbekannte Anteil nicht zufällig p... beobachtete Anteil zufällig? Statistik für SoziologInnen 1 Inferenzschluss
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrÜbungsrunde 5, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006
3.. Angabe Übungsrunde 5, Gruppe 2 LVA 07.369, Übungsrunde 5, Gruppe 2, 4.. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, /2006 Betrachten Sie einen Behälter, der Karten mit jeweils einer aufgedruckten
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg : Gliederung 1 Einführung 2 Deskriptive Statistik
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
Mehr5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrHydrologie und Flussgebietsmanagement
Hydrologie und Flussgebietsmanagement o.univ.prof. DI Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Gliederung der Vorlesung Statistische Grundlagen Etremwertstatistik
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrDr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar Klausur zur Veranstaltung Erhebungstechniken
Dr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar 2009 Klausur zur Veranstaltung Erhebungstechniken im Wintersemester 2008 / 2009 Name, Vorname: Studiengang (Bachelor/Diplom):
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
Mehr10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg
. Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrFormelsammlung Statistik II (SS 2010) 1. 1 Numerische und graphische Zusammenfassung quantitativer
TU Kaiserslautern 40700 FB Mathematik Prof Dr Jörn Saß Formelsammlung Statistik II (SS 00) umerische und graphische Zusammenfassung quantitativer Daten Beobachtet werden Daten x,, x Die Ordungsstatistiken
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrMedizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung III Wichtige Verteilungen Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrPrüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen
MehrProf. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Systematische Stichprobe Rel. große Gruppe von Stichprobenverfahren. Allgemeines Merkmal: es existiert ein festes, systematisches Muster bei der Auswahl. Wie passt das zur allgemeinen Forderung nach Randomisierung
MehrBeispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es
Beispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es beim radioaktiven Zerfall, zwischen 100 und 110 Zerfälle
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrÜber den Autor 7. Teil Beschreibende Statistik 29
Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:
MehrAuswahlverfahren. Zufallsauswahl Bewusste Auswahl Willkürliche Auswahl. Dipl.-Päd. Ivonne Bemerburg
Auswahlverfahren Zufallsauswahl Bewusste Auswahl Willkürliche Auswahl Blockseminar: Methoden quantitativer Grundgesamtheit und Stichprobe Die Festlegung einer Menge von Objekten, für die die Aussagen der
MehrInhaltsverzeichnis Was man über Microsoft Excel wissen sollte
Inhaltsverzeichnis 1 Was man über Microsoft Excel wissen sollte... 1 1.1 Eingabenanalyse durch Excel... 1 1.1.1 Trennung zwischen numerischer und nichtnumerischer Eingabe. 1 1.1.2 Speicherung numerischer
MehrBestimmen von Quantilen
Workshop im Rahmen der VIV-Begabtenförderung Bestimmen von Quantilen Wie Rückwärtsdenken in der Stochastik hilft Leitung: Tobias Wiernicki-Krips Samstag, 10. Januar 2015 1 / 29 Motivation Wie bestimmt
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrM13 Übungsaufgaben / pl
Die Histogramme von Binomialverteilungen werden bei wachsendem Stichprobenumfang n immer flacher und breiter. Dem Maximum einer solchen Verteilung kommt daher keine allzu große Wahrscheinlichkeit zu. Vielmehr
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
MehrDeskriptive Statistik 1 behaftet.
Die Statistik beschäftigt sich mit Massenerscheinungen, bei denen die dahinterstehenden Einzelereignisse meist zufällig sind. Statistik benutzt die Methoden der Wahrscheinlichkeitsrechnung. Fundamentalregeln:
MehrRingvorlesung Einführung in die Methoden der empirischen Sozialforschung II
Ringvorlesung Einführung in die Methoden der empirischen Sozialforschung II Auswahlverfahren - Begriffe und theoretische Grundlagen 1 USA 1936: - Wahlstudie mit 10.000.000 Probestimmzetteln - Quelle: Telefonverzeichnis
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrFinanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014
Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014 Walter Sanddorf-Köhle Foliensatz Nr. 8 1 / 40 Erweiterungen des Binomialmodells Dividendenzahlungen Sei S der Wert einer Aktie
Mehr4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen interessiert, sondern an der Häufigkeit von Intervallen. Typische Fragestellung:
MehrZeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
MehrPeter P. Eckstein. Statistik für. Wirtschaftswissenschaftler. Eine realdatenbasierte. Einführung mit SPSS. 4., aktualisierte und erweitete Auflage
Peter P. Eckstein Statistik für Wirtschaftswissenschaftler Eine realdatenbasierte Einführung mit SPSS 4., aktualisierte und erweitete Auflage Springer Gabler VII 1 Statistik I 1.1 Historisehe Notizen 2
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
MehrBiostatistik Erne Einfuhrung fur Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher
MehrStatistik IV. Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II
Statistik IV Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II Prof. Dr. Torsten Hothorn Institut für Statistik Ludwig Maximilians Universität München L A
MehrTest auf Varianzgleichheit (F-Test) (einseitiger Test!!)
T-Tests in Excel T-Tests in Excel Test auf Varianzgleichheit (F-Test) (einseitiger Test!!)! Annahmen:! Unabhängige Stichproben! Normalverteilte Grundgesamtheiten H0 : σx = σ y; H0 : σx > σ y Sx σ x F =
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrStatistik für Wirtschaftswissenschaftler
Peter R Eckstein Statistik für Wirtschaftswissenschaftler Eine realdatenbasierte Einführung mit SPSS 2., aktualisierte und erweiterte Auflage GABLER HOCHSCHULE LIECHTENSTEIN Bibliothek Inhaltsverzeichnis
Mehrdiskrete und kontinuierliche Verteilungen
Vorlesung: Computergestützte Datenauswertung Wahrscheinlichkeit, Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik diskrete und kontinuierliche Verteilungen SS '16 KIT Die Forschungsuniversität
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrWahrscheinlichkeitsrechnung mathematische Statistik und statistische Qualitätskontrolle
Wahrscheinlichkeitsrechnung mathematische Statistik und statistische Qualitätskontrolle Dr. rer. nat. Regina Storm 5., verbesserte Auflage 72 Bilder, 21 Tafeln und einer Beilage VEB Fachbuchverlag Leipzig
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrBiometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen
Biometrieübung 5 (Spezielle Verteilungen) - Aufgabe Biometrieübung 5 Spezielle Verteilungen Aufgabe 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Anzahl weiblicher Mäuse (k) Anzahl Würfe
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
MehrStatistik für SozialwissenschaftlerInnen II p.85
Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des
MehrDer Zentrale Grenzwertsatz
QUALITY-APPS Applikationen für das Qualitätsmanagement Der Zentrale Grenzwertsatz Autor: Dr. Konrad Reuter Für ein Folge unabhängiger Zufallsvariablen mit derselben Verteilung und endlichem Erwartungswert
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
Mehr